CN106227965A - 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 - Google Patents
一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 Download PDFInfo
- Publication number
- CN106227965A CN106227965A CN201610613155.1A CN201610613155A CN106227965A CN 106227965 A CN106227965 A CN 106227965A CN 201610613155 A CN201610613155 A CN 201610613155A CN 106227965 A CN106227965 A CN 106227965A
- Authority
- CN
- China
- Prior art keywords
- soil organic
- organic matter
- space
- time
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 109
- 239000004016 soil organic matter Substances 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013461 design Methods 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 title claims abstract description 17
- 230000002123 temporal effect Effects 0.000 title claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000005309 stochastic process Methods 0.000 claims abstract description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 27
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 26
- 239000002689 soil Substances 0.000 claims description 23
- 230000019771 cognition Effects 0.000 claims description 5
- 208000011597 CGF1 Diseases 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004039 social cognition Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003643 water by type Substances 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 238000005469 granulation Methods 0.000 claims 1
- 230000003179 granulation Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,首先提取土壤有机碳空间抽样网络设计的基础数据并进行整合,然后应用时空回归方法建立土壤有机碳时空变化与多时间序列属性之间的回归关系,将土壤有机碳时空变化过程映射为一个由土壤有机碳多因素时空回归趋势和回归残差构成的时空随机过程,最后构建土壤有机碳空间抽样网络设计模型,以上述数据为模型输入数据,评价适应度函数,建立抽样方案设计问题与粒子群算法之间的映射关系,求解得出土壤有机碳空间抽样网络优化方案。该方法大幅度提高调查精度,同时充分发挥粒子群算法快速收敛和超强寻优能力,提升土壤有机碳空间抽样网络的合理性、适用性和设计效率。
Description
技术领域
本发明涉及土地资源调查领域,尤其是涉及一种土壤有机碳空间抽样网络设计方法。
背景技术
土壤有机碳库是陆地生态系统中处于活跃状态的最大碳库,在减缓碳释放、调节全球碳平衡方面发挥着关键作用。准确测定土壤有机碳储量已经成为当前科学界和各国政府关注的焦点问题。在我国,随着“践行节能低碳、建设美丽中国”目标的提出,及时开展高精度的土壤有机碳抽样调查与监测工作,将为科学制定低碳发展战略提供有力的决策支持。面向科研与发展的多层面需求,研究高效的土壤有机碳时空抽样方法势在必行。
时空分布非平稳性是影响土壤有机碳抽样设计的关键因素。在生态系统类型、土壤生物活性、群落组成及土地利用等因素共同作用下,土壤有机碳时空变量的均值、方差具有高度的时空位置变化相关性,导致有机碳时空分布自相关结构(依赖性)呈现出阶跃、线性连续或非线性连续等不平稳特征,从而增加了时空抽样网络对其的拟合难度。准确刻画土壤有机碳时空非平稳特征有助于显著提升时空抽样方法的实用性。
现有时空抽样方法,包括完全重复抽样、完全替换抽样和适应性抽样方法,在描述时空非平稳性方面仍存在一定不足。具体表现在:(1)完全重复抽样与完全替换抽样仅能描述变量的空间非平稳性,忽略了其时间变化特征;(2)适应性抽样方法涉及了采用分层方法或几何比例法描述时空非平稳性及时空各向异性,但仍无法准确刻画时空连续非平稳特征。如何避免传统时空抽样网络设计方法的片面性,建立有效的土壤有机碳连续非平稳时空特征描述模型并用于指导抽样网络的优化布局,对于精准、高效开展土壤有机碳抽样与监测工作尤为重要。
发明内容
本发明主要是解决现有技术所存在的技术问题;提供了一种通过准确描述土壤有机碳时空分布特征,有效提高土壤有机碳空间抽样调查精度的一种土壤有机碳抽样网络优化设计方法。
本发明的上述技术问题主要是通过下述技术方案解决的:
一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,其特征在于,该方法包括如下步骤:
步骤1,提取土壤有机碳空间抽样网络设计的基础数据并进行整合,整合后的数据为地理空间栅格单元的多时间序列属性信息,其中,基础数据包括多时期的土壤有机碳空间分布数据、土地利用与覆被变化数据、数字高程模型数据;整合数据的具体方法是对空间数据进行配准并设置一致的空间参考坐标,将矢量数据转成精度相同的地理空间栅格数据,以及通过分析数字高程模型数据生成栅格单元的高程、坡度坡向、坡度位置、表面起伏度一系列地形指数信息。多时间序列属性信息包括地理空间栅格单元的多时期土壤有机碳含量、多时期土地利用与覆被类型以及高程、坡度坡向、坡度位置和表面起伏度信息。
步骤2,基于应用时空回归方法分析步骤1的数据,以地理空间栅格单元为数据处理单元,建立土壤有机碳变化与多时间序列属性的回归关系模型,将土壤有机碳时空变化过程映射为一个由土壤有机碳多因素时空回归趋势和回归残差构成的时空随机过程,包括以下子步骤:
步骤2.1,将土壤有机碳时空变化过程映射为一个由土壤有机碳多因素时空回归趋势m(x,t)和回归残差ε(x,t)构成的时空随机过程(式1)。
式中,x表示空间位置,t表示时间节点,Z(x,t)表示t时刻空间位置x的土壤有机碳含量实际值。bi(x,t)为t时刻空间位置x处的属性bi的值,ai为回归系数。
步骤2.2,将每个地理空间栅格对应的土壤有机碳值、多时间序列属性值代入式1,采用Matlab软件的最小二乘法求取所有回归系数bi。
步骤2.3,在所有bi和多时间序列属性值已知情况下,计算每个栅格土壤有机碳的估计值,将估计值与真实值对比,其差值即为回归残差ε(x,t)。
步骤3,采用时空不可分协方差方法描述步骤2的土壤有机碳时空回归残差,建立土壤有机碳时空变化协方差模型。
步骤4,以随机生成的抽样网络为模型输入,应用二进制粒子群算法进行建模并对随机抽样网络进行优化设计。以地理空间栅格为数据处理单元,建立抽样网络布局问题与二进制粒子群算法之间的映射关系,求解得出土壤有机碳空间抽样网络的优化布局。所述地理空间栅格单元为二进制粒子群算法中的粒子维度,其值表征该单元是否作为抽样点;土壤有机碳空间抽样方案对应于粒子;抽样网络效能评价函数对应于粒子适应度函数,由土壤有机碳时空变化协方差模型推导出的最小预测误差表征。
在上述的一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,所述的步骤3中,采用时空不可分协方差方法建立土壤有机碳回归残差时空变化协方差模型的步骤包括以下子步骤:
步骤3.1,将步骤2的土壤有机碳回归残差的协方差看作空间维度协方差Cs与时间维度协方差Ct的组合:
Cst=κ1Cs+κ2Ct-κ3CsCt (2)
式中,κ1,κ2,κ3为关联系数的组合(参数组合)。
步骤3.2,根据协方差与方差的关系,分别将土壤有机碳空间维度协方差Cs与时间维度协方差Ct描述为以下模型:
Cs(xi,xj|θs)=σs(xi|θs)σs(xj|θs)ρs(|xi-xj|),i,j=1,2,...,N (3)
Ct(xi(t),xj(t)|θt)=σt(xi(t)|θt)σt(xj(t)|θt)ρt(|xi(t)-xj(t)|),t=1,2,...,T (4)
式中,Cs,Ct分别为空间、时间维度上的协方差函数;σs,σt分别代表空间、时间维度上的方差分布函数,θs,θt为方差函数的未知参数,ρs(xi,xj),ρt(xi(t),xj(t))分别表示空间维度和时间维度上两点之间的相关性,只与点间空间维度距离和时间维度距离hs,ht相关。
在上述的一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,所述的步骤4中,求解土壤有机碳空间抽样网络优化布局的步骤包括以下子步骤:
步骤4.1,设置抽样网络样点数量,在研究区范围内随机生成包含所设置的样点数量的抽样网络。
步骤4.2,粒子群种群规模,惯性权重,个体认知参数、社会认知参数、最大迭代次数,并以步骤4.1生成的随机抽样网络初始化每个粒子的维度值;
步骤4.3,设置粒子群算法的适应度函数;
步骤4.4,计算各个粒子的适应度,通过对比粒子适应度选择粒子自身所经历最优位置以及当前种群最优位置;
步骤4.5,根据粒子自身所经历最优位置和当前种群最优位置对粒子进行位置变更操作,生成新一批粒子;
步骤4.6,循环迭代,当达到最大迭代次数时搜索结束,将当前种群最优位置作为最优土壤有机碳空间抽样设计方案输出,否则返回步骤4.3。
在上述的一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,所述步骤4.4中,粒子位置更新操作在于对粒子的维度值进行变更,维度值取1代表对应地理栅格单元被选为抽样单元,取0代表为非抽样单元。粒子位置变更遵循采样可达性原则,即当粒子维度对应的地理栅格单元落在水域、建设用地或坡度大于60°区域内时,该栅格单元被抽样概率为0,同时粒子相应维度值保持0不变。
本发明具有如下优点:1、充分考虑了土壤有机碳时间维度和空间维度变化特征,在此基础上设计的空间抽样网络能够准确拟合土壤有机碳变化特征,提高调查精度;2、粒子群算法具备快速收敛和超强寻优能力,将土壤有机碳空间网络设计映射为一种二元组合优化问题,可以在适应度函数指导下优化空间抽样网络,以提高土壤有机碳空间抽样网络的合理性和适用性。
附图说明
图1是本发明的模型流程图。
图2是本发明的粒子抽样网络映射关系示意图。
图3是本发明的粒子位置更新操作示意图。
图4a是本发明的实施例不同样点数量下抽样网络优化结果示意图(样点数100)。
图4b是本发明的实施例不同样点数量下抽样网络优化结果示意图(样点数200)。
图4c是本发明的实施例不同样点数量下抽样网络优化结果示意图(样点数300)。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本发明所采用的模型流程图如图1示。
该顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法包括如下步骤:
步骤1,提取土壤有机碳空间抽样网络设计的基础数据并进行整合,整合后的数据为地理空间栅格单元的多时间序列属性信息。提取基础数据是指从其他数据库或其他系统获取抽样网络设计所需的数据,如多时期的土壤有机碳空间分布数据、土地利用与覆被变化数据、数字高程模型数据等。整合数据是指这些数据是多个时期、多种来源、不同格式的数据,要对这些时空数据进行统一规范化处理。使用ArcGIS 10.2.1的Spatial Adjustment工具对上述空间数据进行配准并设置一致的空间参考坐标,使用Feature to Raster工具将矢量数据转成精度相同的地理空间栅格数据,使用Surface analyst工具分析数字高程模型数据,生成栅格单元的高程、坡度坡向、坡度位置、表面起伏度一系列地形指数信息。多时间序列属性信息包括地理空间栅格单元的多时期土壤有机碳含量、多时期土地利用与覆被类型以及高程、坡度坡向、坡度位置和表面起伏度信息。
步骤2,以地理空间栅格单元为数据处理单元,应用时空回归方法分析抽样网络设计的基础数据,建立土壤有机碳变化与多时间序列属性的回归关系模型,将土壤有机碳时空变化过程映射为一个由土壤有机碳多因素时空回归趋势m(x,t)和回归残差ε(x,t)构成的时空随机过程(式1)。
式中,x表示空间位置,t表示时间节点,Z(x,t)表示t时刻空间位置x的土壤有机碳含量实际值。bi(x,t)为t时刻空间位置x处的属性bi的值,ai为回归系数。
步骤3,计算土壤有机碳时空回归残差。将每个地理空间栅格对应的土壤有机碳值、多时间序列属性值代入式1,采用Matlab软件的最小二乘法求取所有回归系数bi。在所有bi和多时间序列属性值已知情况下,计算每个栅格土壤有机碳的估计值,将估计值与真实值对比,其差值即为回归残差ε(x,t)。
步骤4,采用时空不可分协方差方法描述土壤有机碳时空回归残差ε(x,t),建立土壤有机碳时空变化协方差模型。具体将土壤有机碳回归残差的协方差看作空间维度协方差Cs与时间维度协方差Ct的组合:
Cst=κ1Cs+κ2Ct-κ3CsCt (2)
式中,κ1,κ2,κ3为关联系数的组合,根据空间维度与时间维度土壤有机碳变异大小进行设置。
步骤5,对步骤4构建的土壤有机碳时空变化协方差模型进行实例化。首先根据协方差与方差的关系,分别将土壤有机碳空间维度协方差Cs与时间维度协方差Ct描述为以下模型:
Cs(xi,xj|θs)=σs(xi|θs)σs(xj|θs)ρs(|xi-xj|),i,j=1,2,…,N (3)
Ct(xi(t),xj(t)|θt)=σt(xi(t)|θt)σt(xj(t)|θt)ρt(|xi(t)-xj(t)|),t=1,2,...,T (4)
式中,Cs,Ct分别为空间、时间维度上的协方差函数;σs,σt分别代表空间、时间维度上的方差分布函数,θs,θt为方差函数的未知参数;ρs(xi,xj),ρt(xi(t),xj(t))分别表示空间维度和时间维度上两点之间的相关性,只与点间空间维度距离和时间维度距离hs,ht相关。
本发明涉及的土壤有机碳时空维度上的方差分布函数σs,σt表示一阶(均值)平稳条件下可能存在的二阶过程(方差)变化,可以采用K级阶跃函数表示如下:
式中,θs,θt分别为空间维度和时间维度K级阶跃函数的参数组合,分别由K个θsk,θtk组成;θsk,θtk分别表示空间维度和时间维度上x落在第k个二阶平稳子域(Dk或Di(k))内的方差。
本发明涉及的时间维度和空间维度上二阶平稳子域采用ARCGIS10.2软件的自然断裂法(Natural break)工具进行划分,划分后求取属于同一子域的地理栅格单元的土壤有机碳实际值的方差(式7)即为相应子域对应的K级阶跃函数的参数θsk,θtk。
式中,Z(xi)表示空间位置xi的土壤有机碳含量所有时刻实际值的均值,Z(xi(t))表示t时刻空间位置xi的土壤有机碳含量实际值,表示所有属于子域Dk范围内的栅格单元对应的土壤有机碳含量在所有时刻实际值的均值,表示空间位置xi所有属于子域Di(k)时间序列内的栅格单元对应的土壤有机碳含量真实值的均值。
本发明涉及的ρs(xi,xj),ρt(xi(t),xj(t))分别表示空间维度和时间维度上两点之间的相关性,可以采用理论模型进行拟合,如拟合为指数模型ρs(xsi,xsj)=exp(-hs),ρt(xti,xtj)=exp(-ht)。
步骤6,设置空间抽样网络样点数量,采用ARCGIS10.2软件generate randompoints工具生成随机抽样网络,应用二进制粒子群算法进行建模并对随机抽样网络进行优化设计。以地理空间栅格为数据处理单元,建立抽样网络布局问题与二进制粒子群算法之间的映射关系,求解得出土壤有机碳空间抽样网络的优化布局。所述地理空间栅格单元为二进制粒子群算法中的粒子维度,其值表征该单元是否作为抽样点;土壤有机碳空间抽样方案对应于粒子;抽样网络效能评价函数对应于粒子适应度函数,由土壤有机碳时空变化协方差模型推导出的最小克里金误差表征。
步骤7,设置粒子群种群规模,惯性权重,个体认知参数、社会认知参数、最大迭代次数,并以步骤6生成的随机抽样网络初始化每个粒子的维度值。
步骤8,根据适应度函数,计算每个粒子的适应度。具体方法是在土壤有机碳回归残差的协方差模型基础上,推导最小克里金方差准则作为土壤有机碳空间抽样网络的评价函数,也即粒子群算法的适应度函数,计算公式如下:
式中,FMKV为适应度函数;Cst(0)为土壤有机碳时空分布的先验方差;为克里格差值权重系数,μ为拉格朗日系数;Cst(xi(t),xj(t))为待添加样点xi(t)与已存在样点xj(t)的协方差,根据公式2、3、4计算得到。
本发明涉及的克里格插值权重系数和拉格朗日系数可以根据以下公式求得:
式中,rnn代表已存在样点之间的协方差Cst,rn0代表待添加样点与已存在样点之间的协方差Cst,协方差值均根据公式2、3、4计算得到。
步骤9,通过对比粒子适应度选择粒子自身所经历最优位置以及当前种群最优位置;根据粒子自身所经历最优位置和当前种群最优位置对粒子进行位置变更操作,生成新一批粒子;
式中,vm代表粒子m维度的速度,xm为粒子m维度的取值,Pbi(t)和Pg(t)分别为应用适应度函数确定的t时刻粒子所经过的最佳位置和当前种群全局最佳位置,惯性权重w主要用于调整粒子群的全局搜索能力和局部搜索能力从而加速算法收敛。个体认知参数c1和社会认知参数c2能够起到调整粒子群收敛速度的作用。
本发明涉及的粒子位置更新操作在于应用粒子群速度更新公式,对粒子的维度值进行变更,变更后的xm为连续值,采用Sigmoid函数将xm映射到[0,1]之间,当映射值大于0.5时,粒子维度值取1,表示该维度对应的栅格单元被选为抽样单元,否则维度值取0代表为非抽样单元。粒子位置变更同时遵循采样可达性原则,即当粒子维度对应的地理栅格单元落在水域、建设用地或坡度大于60°区域内时,该栅格单元被抽样概率为0,同时粒子相应维度值保持0不变。
步骤10,循环迭代,当达到最大迭代次数时搜索结束,否则返回步骤8。
步骤11,选择出粒子群中适应度最高的粒子,将其转换为土壤有机碳空间抽样网络,得到抽样网络的优化设计结果。
实施例1:
1、提取某一区域的土壤有机碳抽样网络设计的基础数据并进行整合,整合后的数据为各个地理空间栅格单元的10年序列属性信息。
2、以地理栅格单元为基本单元,应用时空回归方法分析每个单元土壤有机碳值与不同时间节点土地利用与覆被类型、高程、坡度坡向、坡度位置和表面起伏度等属性的回归关系,建立时空回归方程。应用回归方程计算地理栅格单元土壤有机碳值估计量,降之与真实值求差得到土壤有条件时空回归的回归残差。
3、建立土壤有机碳时空变化协方差模型,根据研究区土壤有机碳时空维度变异系数设置κ1,κ2,κ3分别为0.5,0.8和0.2。采用ARCGIS10.2软件natural breaking工具将土壤有机碳空间维度和时间维度分别分为5和3个子域,分别计算每个子域土壤有机碳变化方差作为K级阶跃方差函数的参数。
4、分别设置抽样网络样点数量为100、200和300,应用ARCGIS10.2软件的Generaterandom points随机生成抽样网络方案。
5、设置粒子群种群规模为20个,惯性权重0.85,个体认知参数1.5,社会认知参数0.8,最大迭代次数600次,利用随机生成的抽样网络对所有粒子进行初始化操作。
6、根据适应度函数,计算每个粒子的适应度。
7、根据适应度函数值,通过对比粒子适应度选择粒子自身所经历最优位置以及当前种群最优位置;根据粒子自身所经历最优位置和当前种群最优位置对粒子进行位置变更操作,生成新一批粒子。
8、循环迭代,当达到最大迭代次数时搜索结束,否则返回步骤6。
9、选择出粒子群中适应度最高的粒子,将其转换为土壤有机碳空间抽样网络,得到不同样点数量情况下抽样网络的优化设计结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,其特征在于,该方法包括如下步骤:
步骤1,提取土壤有机碳空间抽样网络设计的基础数据并进行整合,整合后的数据为地理空间栅格单元的多时间序列属性信息,其中,基础数据包括多时期的土壤有机碳空间分布数据、土地利用与覆被变化数据、数字高程模型数据;整合数据的具体方法是对空间数据进行配准并设置一致的空间参考坐标,将矢量数据转成精度相同的地理空间栅格数据,以及通过分析数字高程模型数据生成栅格单元的高程、坡度坡向、坡度位置、表面起伏度一系列地形指数信息;多时间序列属性信息包括地理空间栅格单元的多时期土壤有机碳含量、多时期土地利用与覆被类型以及高程、坡度坡向、坡度位置和表面起伏度信息;
步骤2,基于应用时空回归方法分析步骤1的数据,以地理空间栅格单元为数据处理单元,建立土壤有机碳变化与多时间序列属性的回归关系模型,将土壤有机碳时空变化过程映射为一个由土壤有机碳多因素时空回归趋势和回归残差构成的时空随机过程,包括以下子步骤:
步骤2.1,将土壤有机碳时空变化过程映射为一个由土壤有机碳多因素时空回归趋势m(x,t)和回归残差ε(x,t)构成的时空随机过程(式1);
式中,x表示空间位置,t表示时间节点,Z(x,t)表示t时刻空间位置x的土壤有机碳含量实际值;bi(x,t)为t时刻空间位置x处的属性bi的值,ai为回归系数;
步骤2.2,将每个地理空间栅格对应的土壤有机碳值、多时间序列属性值代入式1,采用Matlab软件的最小二乘法求取所有回归系数bi;
步骤2.3,在所有bi和多时间序列属性值已知情况下,计算每个栅格土壤有机碳的估计值,将估计值与真实值对比,其差值即为回归残差ε(x,t);
步骤3,采用时空不可分协方差方法描述步骤2的土壤有机碳时空回归残差,建立土壤有机碳时空变化协方差模型;
步骤4,以随机生成的抽样网络为模型输入,应用二进制粒子群算法进行建模并对随机抽样网络进行优化设计;以地理空间栅格为数据处理单元,建立抽样网络布局问题与二进制粒子群算法之间的映射关系,求解得出土壤有机碳空间抽样网络的优化布局;所述地理空间栅格单元为二进制粒子群算法中的粒子维度,其值表征该单元是否作为抽样点;土壤有机碳空间抽样方案对应于粒子;抽样网络效能评价函数对应于粒子适应度函数,由土壤有机碳时空变化协方差模型推导出的最小预测误差表征。
2.根据权利要求1所述的一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,其特征在于,所述的步骤3中,采用时空不可分协方差方法建立土壤有机碳回归残差时空变化协方差模型的步骤包括以下子步骤:
步骤3.1,将步骤2的土壤有机碳回归残差的协方差看作空间维度协方差Cs与时间维度协方差Ct的组合:
Cst=κ1Cs+κ2Ct-κ3CsCt (2)
式中,κ1,κ2,κ3为关联系数的组合(参数组合);
步骤3.2,根据协方差与方差的关系,分别将土壤有机碳空间维度协方差Cs与时间维度协方差Ct描述为以下模型:
Cs(xi,xj|θs)=σs(xi|θs)σs(xj|θs)ρs(|xi-xj|),i,j=1,2,...,N (3)
Ct(xi(t),xj(t)|θt)=σt(xi(t)|θt)σt(xj(t)|θt)ρt(|xi(t)-xj(t)|),t=1,2,...,T (4)
式中,Cs,Ct分别为空间、时间维度上的协方差函数;σs,σt分别代表空间、时间维度上的方差分布函数,θs,θt为方差函数的未知参数,ρs(xi,xj),ρt(xi(t),xj(t))分别表示空间维度和时间维度上两点之间的相关性,只与点间空间维度距离和时间维度距离hs,ht相关。
3.根据权利要求1所述的一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,其特征在于,所述的步骤4中,求解土壤有机碳空间抽样网络优化布局的步骤包括以下子步骤:
步骤4.1,设置抽样网络样点数量,在研究区范围内随机生成包含所设置的样点数量的抽样网络;
步骤4.2,粒子群种群规模,惯性权重,个体认知参数、社会认知参数、最大迭代次数,并以步骤4.1生成的随机抽样网络初始化每个粒子的维度值;
步骤4.3,设置粒子群算法的适应度函数;
步骤4.4,计算各个粒子的适应度,通过对比粒子适应度选择粒子自身所经历最优位置以及当前种群最优位置;
步骤4.5,根据粒子自身所经历最优位置和当前种群最优位置对粒子进行位置变更操作,生成新一批粒子;
步骤4.6,循环迭代,当达到最大迭代次数时搜索结束,将当前种群最优位置作为最优土壤有机碳空间抽样设计方案输出,否则返回步骤4.3。
4.根据权利要求3所述的一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法,其特征在于,所述步骤4.4中,粒子位置更新操作在于对粒子的维度值进行变更,维度值取1代表对应地理栅格单元被选为抽样单元,取0代表为非抽样单元;粒子位置变更遵循采样可达性原则,即当粒子维度对应的地理栅格单元落在水域、建设用地或坡度大于60°区域内时,该栅格单元被抽样概率为0,同时粒子相应维度值保持0不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610613155.1A CN106227965B (zh) | 2016-07-29 | 2016-07-29 | 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610613155.1A CN106227965B (zh) | 2016-07-29 | 2016-07-29 | 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106227965A true CN106227965A (zh) | 2016-12-14 |
CN106227965B CN106227965B (zh) | 2020-01-10 |
Family
ID=57535407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610613155.1A Active CN106227965B (zh) | 2016-07-29 | 2016-07-29 | 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106227965B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804731A (zh) * | 2017-09-12 | 2018-11-13 | 中南大学 | 基于重要点双重评价因子时间序列趋势特征提取方法 |
CN114019139A (zh) * | 2021-10-26 | 2022-02-08 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN115599774A (zh) * | 2022-12-15 | 2023-01-13 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心)(Cn) | 基于局部时空树回归模型的时空非平稳性分析方法及系统 |
CN114880373B (zh) * | 2022-04-11 | 2023-05-30 | 中国地质调查局哈尔滨自然资源综合调查中心 | 一种土壤采样方法、系统、存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279686A (zh) * | 2013-06-20 | 2013-09-04 | 四川省林业调查规划院 | 基于森林资源的林业碳计量方法 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN104764868A (zh) * | 2015-04-02 | 2015-07-08 | 中国科学院南京土壤研究所 | 一种基于地理加权回归的土壤有机碳预测方法 |
CN105137043A (zh) * | 2015-09-29 | 2015-12-09 | 河南科技大学 | 一种森林土壤任意深度有机碳储量的快速计量方法 |
-
2016
- 2016-07-29 CN CN201610613155.1A patent/CN106227965B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279686A (zh) * | 2013-06-20 | 2013-09-04 | 四川省林业调查规划院 | 基于森林资源的林业碳计量方法 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN104764868A (zh) * | 2015-04-02 | 2015-07-08 | 中国科学院南京土壤研究所 | 一种基于地理加权回归的土壤有机碳预测方法 |
CN105137043A (zh) * | 2015-09-29 | 2015-12-09 | 河南科技大学 | 一种森林土壤任意深度有机碳储量的快速计量方法 |
Non-Patent Citations (4)
Title |
---|
DIANFENG LIU等: "Multiobjective Network Optimization for Soil Monitoring of the Loess Hilly Region in China", 《DISCRETE DYNAMICS IN NATURE AND SOCIETY》 * |
张宏玲: "农田土壤有机碳库时空变异及主控因素研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
游浩辰: "林地土壤有机碳遥感反演及空间分异研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
王合玲: "艾比湖流域土壤有机质与影响因素响应系研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804731A (zh) * | 2017-09-12 | 2018-11-13 | 中南大学 | 基于重要点双重评价因子时间序列趋势特征提取方法 |
CN108804731B (zh) * | 2017-09-12 | 2021-08-13 | 中南大学 | 基于重要点双重评价因子时间序列趋势特征提取方法 |
CN114019139A (zh) * | 2021-10-26 | 2022-02-08 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114019139B (zh) * | 2021-10-26 | 2024-03-26 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114880373B (zh) * | 2022-04-11 | 2023-05-30 | 中国地质调查局哈尔滨自然资源综合调查中心 | 一种土壤采样方法、系统、存储介质和电子设备 |
CN115599774A (zh) * | 2022-12-15 | 2023-01-13 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心)(Cn) | 基于局部时空树回归模型的时空非平稳性分析方法及系统 |
CN115599774B (zh) * | 2022-12-15 | 2023-03-10 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 基于局部时空树回归模型的时空非平稳性分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106227965B (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach | |
Li et al. | A spatially explicit reconstruction of cropland cover in China from 1661 to 1996 | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
CN106227965A (zh) | 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法 | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
Paudel et al. | Spatiotemporal changes in agricultural land cover in Nepal over the last 100 years | |
Wang et al. | Spatiotemporal dynamics and evolution relationships between land-use/land cover change and landscape pattern in response to rapid urban sprawl process: A case study in Wuhan, China | |
Lin et al. | Regional soil mapping using multi-grade representative sampling and a fuzzy membership-based mapping approach | |
CN101908213A (zh) | 基于量子免疫克隆的sar图像变化检测方法 | |
Li et al. | Scenario-based urban growth simulation by incorporating ecological-agricultural-urban suitability into a future land use simulation model | |
CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
Chengzhi et al. | Soil property mapping by combining spatial distance information into the Soil Land Inference Model (SoLIM) | |
Song et al. | Heuristic cellular automaton model for simulating soil organic carbon under land use and climate change: A case study in eastern China | |
CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
CN113743659B (zh) | 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用 | |
CN107067035B (zh) | 协同演化算法优化的支持向量机湿地遥感分类方法 | |
Wang et al. | Prediction of potential distribution areas and priority protected areas of Agastache rugosa based on Maxent model and Marxan model | |
He et al. | Reconstruction of Lu-level cropland areas in the Northern Song Dynasty (AD976–1078) | |
CN116050163B (zh) | 一种基于气象站的生态系统碳水通量计算方法及系统 | |
Li et al. | Multi-Scenario Simulation of Ecosystems Based on Adaptive Restoration to Promote Human–Nature Harmony: A Case Study of Loess Hills Micro-Watershed | |
Liu et al. | Research on evaluating water resource resilience based on projection pursuit classification model | |
Jiang et al. | Multi-model ensemble hydrologic prediction and uncertainties analysis | |
Zhang et al. | Mapping detailed soil property using small scale soil type maps and sparse typical samples | |
Ye et al. | A quality control method based on an improved random forest algorithm for surface air temperature observations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |